Spark执行Insert语句查询多个大宽表Join时，SMJ算子出现内存不足导致coredump问题的解决方法

问题现象描述

Spark执行Insert语句且只有1个数据分区的场景，当出现50个表连续Sort Merge Join时，算子加速SMJ算子在堆外内存耗尽时调用new申请vector内存导致coredump问题。

关键过程、根本原因分析

由于算子加速当前是列式处理，相比于原生Spark的行式处理，内存占用会更大，而且SMJ算子计算过程中申请的资源需要在task结束后才能释放。

出现问题的场景是Insert语句且只有1个数据分区，Spark只会生成1个task去执行任务。因此，会导致50个表的Sort Merge Join都在1个task内执行。此时用例配置的38g堆外内存在连续50个SMJ算子计算过程中已经耗尽，此时再通过new申请内存时，出现coredump。

结论、解决方案及效果

该用例属于比较极限的场景，Spark作业本身是为了利用大规模集群的并发优势，正常情况下不会存在单个task（单线程）执行大量表Join的业务场景；当触发该问题时，可通过如下方法进行规避：

• 调整spark.memory.offHeap.size参数增大堆外内存后重新触发业务。
• 回退到原生Spark流程触发业务。